你有没有过这种经历同一个任务换一种说法问 AI结果差别大得离谱我早期用大模型的时候最烦的就是提示词写不清楚输出全凭运气。后来花了不少时间专门研究提示词工程把踩坑经验整理成一套自己的写法效果稳定多了。这篇不是理论科普而是把我目前验证过、能真正提高命中率的 10 个技巧和 5 套模板都放出来。零基础可以直接抄模板有基础的可以对照排查自己写得不好的地方。1. 提示词为什么总不稳定先搞清楚大模型是怎么读你的话的很多人在提示词上遇到的第一个坎不是不会写而是不理解模型为什么给出这样的回答。所以这章先把底层逻辑说清楚后面 10 个技巧才有落脚点。1.1 大模型不是搜索引擎而是概率接龙大师搜索引擎的工作方式是你给关键词它去索引里找匹配文档。大模型完全不是这个逻辑——它每一轮做的其实是预测下一个 token词元根据你给的所有上文计算下一个词最可能是哪一个然后接着预测再下一个直到生成完整回答。这意味着你提供的提示词本质上是在控制这个预测过程的概率分布。你的说法越具体模型下一步预测的候选范围就越窄输出就越稳定。如果指令模糊模型只能基于大量常见套路做平均化猜测结果就像让十个不同性格的人分别写一段方案再取一个“最大公约数”——很难让人眼前一亮。我常用一个实习生类比来理解这件事你只丢一句“把活动方案写一下”对方大概率只能凭想象凑一篇但如果你把预算、目标人群、核心环节、交付格式全说清楚交上来的东西才具备可修改价值。大模型并不比这个实习生聪明多少它只是在猜你想要的这件事上速度极快、词汇量极大。1.2 提示词不是越长越好而是越有序越好很多人以为多写点提示词就等于做好提示词工程结果把一大段背景故事、聊天记录、零散要求全粘进去。长提示词真正的问题往往不是长度而是混乱——关键指令被淹没在无关信息里模型注意力被稀释。举个例子。这种写法你肯定见过把下面这段文字润色一下让它更好不要写太长顺便帮我改改格式。这一段是关于我们新产品发布的产品是……因为下周要发给客户……这里面至少有四件事混在一起任务润色、背景产品发布、材料正文、要求不要太长、改格式。模型需要自己去分辨优先级结果自然不稳定。对比一下这种写法任务润色。背景新产品发布邮件。要求字数≤200语气正式包含 3 个卖点。原文用原文分隔符包裹……不是字数变多了而是每部分各归其位。任务放最前材料用分隔符标清楚要求集中列出来。模型处理起来省力输出质量自然更稳定。1.3 从随缘对话到结构化指令提示词工程在工程化什么说到底提示词工程不是把 prompt 写得更华丽而是针对一个目标系统性地设计指令结构、约束条件和示例让输出变得可预测、可复用、可修正。我自己写提示词时默认遵循一张六段式结构角色who→ 任务what→ 上下文context→ 要求constraints→ 示例examples→ 输出格式output format。不一定每段都要出现但缺了哪一段我都会问自己一句模型现在会不会在这里产生歧义接下来第二章的 10 个技巧本质上就是在打磨这六个组成部分。每个技巧我都附上了正反对比和适用场景可以直接拿去试。2. 10 个立刻能上手的提示词技巧每条都值得你试一次这 10 个技巧不按难度排列而按使用频率排列。前几个是日常写提示词的最好切入点后面几个偏进阶。你不用全部记住挑最卡你的那一两块用起来就行。2.1 角色锚定先给模型一个人设再让它干活角色为什么管用因为大模型在默认状态下没有立场而角色设定是一种极强的概率约束。当你说你是一位客户成功经理时模型会优先调用与这个角色相关的知识范围、语气习惯和行为目标。对比一下这两条指令一般写法请帮我写一封拒绝客户降级要求的邮件。角色写法你是一家 SaaS 公司的客户成功经理负责和客户沟通续费事宜。请帮我写一封拒绝客户降级要求、但维持良好关系的邮件语气礼貌且坚定200 字左右。后者明显更接近真人写出来的邮件。原因很简单角色写法让模型知道谁来写写给别人看要达到什么目的。注意别用空泛的头衔比如你是专家就不太行。专家这个词已经被用滥了模型很难激活具体的知识域。要写有 10 年经验的资深文字编辑熟悉制造业供应链的运营顾问这类带背景信息的角色效果会好很多。2.2 任务动词前置第一句话就告诉模型你要我干什么模型的注意力在提示词开头时是最集中的。把任务动词放在最前面相当于给整段指令定了基调模型会按对应的任务类型组织后续推理。对比一下一般写法把这段文字提炼一下重点。任务出现在后半句改进写法提炼请用 5 个要点概括下面这段文字。文字……提炼、总结、翻译、改写、分类、提取、生成、比较、排序、优化、修复、解释——这些都是很好的任务动词。我习惯把第一段写成动词短语 补充信息像一份工作指令的标题。这个动作看起来很小但能显著减少模型抓错重点的情况尤其是在长提示词里。2.3 双约束法既要给做什么也要给不做什么很多人给的约束只有范围没有反向约束。模型默认倾向于输出常见套路如果不排除你不想要的东西它就会把那些安全但平庸的表达全塞给你。比如给我一个降价促销活动的海报文案。范围适用于社群发布100 字以内。反向约束不要出现走过路过不要错过这类老套话术不要使用感叹号不要写优惠力度大这种空话而是用具体折扣表达。加了反向约束之后模型会主动绕过那些高频模板反而更容易找到新鲜表达。反向约束不是越多越好挑 2 到 4 条最影响你判断的即可否则模型会变得畏手畏脚、什么都不敢写。2.4 示例驱动给一个标准答案比写十条要求都管用少样本few-shot提示是提示词工程里效果最稳定的手段之一。原因是示例里包含大量隐性信息语言风格、数据结构、讨论深度、判断标准。你嘴上说十句要专业一点不如给它一个专业示例来得直观。举个例子做用户评论分类将用户评论分类为售后、物流、质量、其他。示例这个充电宝用了三天就发烫客服还说正常。——质量快递等了一周才到差评。——物流现在分类颜色和图片差太多实物偏灰。选示例时要覆盖典型情况和边界情况。两三张示例通常就够太多反而会稀释任务。示例的输出格式要和你期望的最终输出严格一致——模型会模仿示例的外壳包括是否加序号、是否换行、用词风格等。2.5 思维链拆分让模型先想再答别让它一步登天对于复杂推理类任务直接要求输出最终答案模型很容易跳步甚至编造逻辑。引导它列出推理步骤能明显降低错误率。举个例子我买了 3 件商品价格分别是 198、256、99其中一件参与满 200 减 30另一件参与两件 8 折。请按以下顺序输出列出每件商品的原价和适用优惠分别计算优惠后价格给出最终合计每一步都标注所用规则最后再给结论。这样模型每一步都在说人话即使中间算错你也能直接看到错在哪一步而不是面对一个莫名其妙的最终数字。适合的场景包括数学、逻辑判断、多因素决策、复杂需求分析。但别所有任务都用它——你问北京今天天气怎么样还先推理就纯属浪费 token。2.6 输出格式强约束想被程序消费把格式写死如果你对接的是 API输出格式往往决定后续能不能自动化处理。提示词里明确格式模型的基本合格率会大幅提升。提取下面合同中的关键信息只输出 JSON不要输出任何解释。字段contract_no合同编号、party_a甲方、party_b乙方、amount合同金额数字、sign_date签署日期YYYY-MM-DD。输出示例 {contract_no: HT-2023-001, party_a: A公司, party_b: B公司, amount: 120000, sign_date: 2025-06-01}两个细节要注意第一加只输出 JSON不要任何解释否则模型往往会在代码块外加上以下是提取结果之类的废话第二给输出示例能防字段名不匹配模型会严格对着示例的键名生成。2.7 上下文信息分层开头结尾放重点中间放素材从实践经验看模型对输入的开头和结尾记得更牢中间的内容容易被稀释。这个现象在长文档场景尤其明显。所以分配上下文时我会这么排开头任务、角色、目标中间背景材料、参考文档用分隔符明确标出结尾输出格式、长度、语气等硬性要求比如任务根据会议记录写 300 字会议纪要。会议记录用分隔符包裹 ……完整记录……要求分结论 / 待办 / 风险三部分待办注明负责人不要加入记录里没有的信息分隔符的作用是告诉模型这一整块只是参考资料不是指令。很多无效提示词问题就出在材料没分隔、指令没优先级。2.8 温度与 Top-p 联动同样的提示词换个参数就是换个性格有些输出不满意真不是提示词的问题而是生成参数的问题。temperature 控制的是概率分布的锐度数值越大输出越发散、越有创造性数值越小越保守、越精准。top_p 则是控制候选集合的口子——按累计概率从高到低截取候选词到 p 为止值越大可选词越多。一个我常用的对照表任务类型temperature 建议top_p 建议事实抽取、代码生成、格式化输出0 ~ 0.30.7 ~ 0.85商业文案、邮件改写、结构化写作0.3 ~ 0.60.85 ~ 0.95头脑风暴、创意故事、开放性话题0.7 ~ 1.00.9 ~ 1.0实操建议是固定一个参数优先调另一个。不要同时把两个参数都拉到很大否则输出会飘到你拉不回来的程度。2.9 多轮对话的上下文管理别让模型聊着聊着忘了你是谁连续对话久了模型经常会跑偏最初设定的角色被冲淡、格式要求失效、甚至把前面说过的事实推翻。这是因为越早的指令在长时间对话中越容易被后续内容稀释。我的对策很简单产品支持系统提示词 / 自定义指令的把核心要求放进去它是对话中优先级最高的上下文。不支持的在关键轮次开头补一句仍按之前的角色 / 任务 / 格式要求执行。发现风格严重跑偏时直接开新对话往往比继续纠正更有效率。很多人觉得新对话要重新解释一遍很麻烦但这恰恰是成本最低的选择。继续在跑偏的对话里打补丁只会越补越乱。2.10 迭代修正闭环一次到位是运气三次收敛是常态提示词和代码一样大概率需要迭代。我的工作流固定是写初版 prompt → 跑一次看输出 → 找出最大偏差 → 只修改对应那一部分 → 再跑。本质上是把结果不满意归因到具体某个字段再修正而不是整段推翻。几个最常见的迭代动作输出太啰嗦 → 在要求里加删掉所有形容词或每个要点控制在 20 字以内输出太干 → 加包含具体例子 / 数据或用故事化表达格式不对 → 在最后一行强调只输出表格不要任何解释我还会给自己维护一个提示词版本记录记下第几版改了什么、效果如何。时间长了这就是比网上任何现成模板都值钱的私房工具库。3. 模板库五个高频场景直接改参数就能用理论说再多都不如直接给一份能跑的模板。下面这五个模板我在实际工作中反复用过覆盖写作、分析、代码、学习、角色扮演五个高频场景。用的时候只需要替换大括号里的变量。3.1 新媒体文案改写模板你是一位有 8 年经验的新媒体编辑擅长把生硬的技术内容改写成普通用户愿意读的公众号文章。 任务改写下面的素材。 原始素材用 material 包裹 material {粘贴素材} /material 要求 1. 开头 150 字内点明读者能获得什么 2. 至少用两个生活化类比解释专业概念 3. 全文分成 3 个带小标题的段落 4. 语气轻松但不使用网络流行语 5. 总字数控制在 {800} 字左右 输出结构标题3 个候选 正文这个模板里的关键是用两个生活化类比和3 个候选标题。前者直接在输出中注入了一个可感知的质量标准后者让你有选择空间不用被模型第一次给的结果框住。3.2 数据分析报告模板你是一位拥有 5 年经验的商业数据分析师。 下面是对某产品一段时间内的数据请给出分析。 数据 {粘贴数据} 输出要求 1. 先用 3 句话给出最核心的结论 2. 每个结论附一条数据证据 3. 指出 3 个容易被忽略的信号 4. 最后给出 3 条可落地的建议 约束不许编造数据如果数据不足以得出结论请直接写明数据不足无法判断。我经常看到有人让 AI 分析数据却不说清楚不许编造数据。模型一旦找不到足够信息就会顺手编一个平均数或趋势。加上最后这条约束它会倾向于如实告诉你信息不够这是分析场景最容易翻车的地方。3.3 代码生成与修改模板你是资深 Python 工程师擅长写可维护、带类型注解的代码。 任务{实现 / 修改}某个功能。 需求{粘贴需求} 输出要求 1. 先给出设计方案不超过 200 字 2. 再输出完整代码 3. 代码中要处理空值和异常情况 4. 附一个调用示例 约束除非必要不要引入第三方依赖代码用代码块包裹。加先给设计方案很重要。它会强制模型在动手前把思路理顺避免你拿到一堆结构混乱的代码。让模型用代码块包裹输出则能防止它把代码和说明文字混在一起方便你直接提取。3.4 知识拆解学习模板你是擅长成人教育的专业讲师习惯把复杂知识拆解成可执行的步骤。 我正在学习 {主题}目前基础是 {描述}。 请 1. 把该主题拆成 5 个递进的学习阶段 2. 每个阶段给一个可检验的目标 3. 每个阶段给一个 10 分钟内能完成的实践练习 4. 说出这一主题最容易踩的 3 个误区 5. 最后给我一个 30 天的学习计划表表格形式这份模板适合自学任何新领域。用可检验的目标而不是理解概念这类虚词避免知识拆解流于形式。比如理解 Python 列表可以改写为能用列表完成 3 道列表操作练习题。3.5 角色模拟对话模板你现在扮演 {角色名}设定{性格、背景、说话风格、知识边界} 对话规则 1. 全程保持角色人设不跳出角色 2. 每次回答不超过 {80} 字 3. 被问到超出知识边界的问题时用符合角色设定的方式回应 4. 不要以作为 AI等口吻解释设定 场景{场景描述} 现在开始{第一句话}这条模板我常用于面试练习、销售对话演练、外语口语陪练。核心是知识边界这四个字——真实角色不可能什么都懂不给边界模型就会以一个全知的视角回答你失真感极强。3.6 这些模板的共同点都只改了五个槽位观察一下上面五个模板你会发现它们本质上是在同一个骨架上替换不同的值角色、任务、要求、示例、输出格式。这就是我前面说的六段式结构的简化版。你完全可以拿这个骨架去造自己的模板先写清楚角色再写任务用要求去收窄范围用示例锚定输出形态最后写明格式。模板不是死的它只是帮你把每一次思考的时间省下来。4. 模板不生效从这四个角度排查九成问题能解决模板用久了总会遇到明明照着写的模型却不听的情况。别急着推翻重来先按下面的顺序过一遍。4.1 角色失效检查角色和任务是不是冲突了最典型的情况是你设置了资深诗人却让它写代码你设置了项目经历丰富的产品经理却让它输出财务报表。角色与任务不匹配时模型会倾向于用通用知识来回答角色设定形同虚设。另一种情况是角色设定被淹没在长上下文里。角色描述放在最开头且控制在 2~3 句话内是最稳妥的。写太长的背景故事反而会让模型抓不住重点。4.2 输出格式不对先看提示词最后一行写了什么很多人说我要表格但没说不要解释。模型经常在表格前后加一段说明文字导致你没法直接复制。解决方式很简单在提示词最后写一句只输出表格不要任何解释。还不行就补一个期望输出的示例让模型照着格式复刻。4.3 输出太泛太假约束太抽象平均化输出就是这么来的输出读起来很顺但就是没用往往是要求里的质量标准太抽象。把要好一点要生动要专业一些这类词换成可检验的描述要有具体时间地点人物要包含一个数字举例时用真实场景。如果模型在编造数据直接加一条数据不足就明确说明数据不足。这条约束能省掉你大量核对事实的时间。4.4 提示词越改越长效果越差检查信息分层是否被破坏了我给自己订过一条规矩提示词超过一屏就重新检查任务是否还在前三行以内所有背景材料用分隔符包好一个提示词里原则上只放一个核心任务有多个任务就拆成多个对话依次跑。这条规矩救过我太多次。很多人遇到效果变差第一反应是继续往提示词里堆内容结果关键指令被埋得更深模型只能在大量背景信息里猜你要什么。最后再分享一个小习惯在本地建一个提示词版本记录文件每个模板记四条——适用场景、当前版本、提示词全文、效果备注。我坚持维护了大半年现在遇到新任务第一反应是去翻自己的模板库而不是从零开始写。提示词工程的真正价值就在这里它不是一次性的灵光一现而是可积累、可复用的工程资产。
